基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。     

径流预报的模糊神经网络方法

径流预报是水资源系统优化调度的重要因素。探讨了神经网络及模糊模式识别的部分理论,在通常的神经网络预报模型及模糊模式识别预报模型的基础上提出了一种模糊模式识别神经网络预报模型及其相应算法,加强了系统的知识表达能力,使预报结果更为可信。通过实例计算,验证了模型的可行性以及所给算法对模型训练的有效性,从而为径流预报提供了一种新方法。     

BP神经网络洪水预报模型在洪水预报系统中的应用

采用相关分析法,在区域降水、观测断面流量(或水位)因子中识别出影响预报断面径流过程的主要变量,在多个观测断面的数据均为流量情况下,采用基于时延组合的合成流量为影响预报断面径流过程的变量,采用自相关分析法,识别出影响预报断面径流过程的前期流量(或水位),以这些变量为BP神经网络模型的输入,以预报断面的流量(或水位)为模型的输出,在BP神经网络隐层节点数自动优选的基础上,构建了基于BP神经网络的洪水预报模型。将模型载入中国洪水预报系统中,应用结果表明:模型在历史洪水训练样本具有一定代表性的情况下,可获得较高的预报精度。     

基于OSR-BP神经网络的丹江口秋汛期径流长期预报研究

针对丹江口流域秋汛期(9、10月)径流长期预报,为了消除网络输入的复共线性与网络训练的过拟合现象,将最优子集回归(OSR)和BP神经网络进行耦合,综合考虑训练误差和检验误差,来确定网络训练的最佳训练次数和终止务件,在此基础上提出基于OSR-BP神经网络的径流长期预报技术,并对丹江口秋汛期入库径流量进行了模拟和试报,结果表明:建立的模型稳定性良好,不论模拟还是试报精度均令人满意,特别是对预报年份中的丰枯特征均具有较好的体现.     

基于深度学习的流域洪水预报模型研究

随着水文信息系统的普及,水文数据的采集越来越方便。传统上依靠各类水文模型及参数率定以刻画水文数据和预报成果间的复杂关联,如何实现水文数据驱动的水文自动预报是当前面临的问题。近年来,人工智能技术蓬勃发展,深度学习技术开始应用于水文学领域,试图解决这一问题。本文以沮漳河西支峡口至远安区间流域为研究对象,结合分布式水文模型的原理及深度学习理论方法,基于流域多维度数据对流域产汇流特性进行提取,利用特征网络进行流域径流预报,构建基于卷积神经网络（CNN,Convolutional Neural Networks）的流域降雨径流预报模型。研究将模型模拟结果与前期影响雨量模型（API, Antecedent Precipitation Index）结果进行对比分析,结果表明,基于卷积神经网络的流域降雨径流预报模型模拟精度为90%,模型可靠,能满足大部分的降雨洪水预报,为流域降雨径流预报提供一种新的方法。     

桓仁流域汛期旬径流预报方法研究

以桓仁流域为例,分析了我国北方流域汛期各旬不同的来水特点,对以往采用不变预报因子的旬径流预报方法进行了改进。汛期各旬挑选变预报因子,结合多元线性回归方法构建旬径流预报模型。计算结果表明,基于变预报因子的旬径流预报模型,更能反映流域旬径流变化规律,且比不变预报因子的预报精度高,预报效果更理想。     

耦合长期预报的跨流域引水受水水库调度模型

为提高跨流域引水工程受水水库引水有效性,研究了耦合长期径流预报信息的跨流域引水受水水库调度模型。首先选取汛期径流预报信息,采用径流预报概率修正先验概率来描述径流的不确定性,建立了贝叶斯随机动态规划模型(BSDP-LTF)。然后将模型应用于碧流河水库,并与仅考虑径流相关的随机动态规划模型(SDP-I)、仅考虑长期预报信息的随机动态规划模型(SDP-LTF)进行比较。比较结果得出在供水保证率基本一致且不增加调度风险的情况下,BSDP-LTF模型相比SDP-I、SDP-LTF模型,可分别减少引水8.2%、4.1%。表明贝叶斯随机动态规划模型BSDP-LTF有效改进了径流描述,提高了跨流域引水的有效性。     

人工神经网络方法在径流预报中的应用

采用ＢＰ神经网络模型,以西北内陆河黑河流莺峡年平均出山地表流量为研究对象,对人工神经网络研究方法在干旱区环流径流预报中的应用进行了初步尝试,结果表明该预报成功率较高,证实了人工神经网络方法应用于流量预报领域的可行性,并分析了该方法在预报过程中的优缺性。     

河流集合预报方法在洮河流域径流预报中的应用研究

为研究洮河流域径流预报,根据河流集合预报方法,利用红旗水文站实时监测资料,基于中国洪水预报系统开发的三水源蓄满产流、滞后演算和马斯京根模块构建全流域洪水预报模型,并应用该模型分析预测红旗水文站径流及其概率分布统计。结果表明:径流拟合过程拟合较好,取得了较好的预报效果,模型满足河流集合预报应用的条件,结论可为洮河流域水资源开发利用、防汛保安提供参考依据。     

SMA-LSTM模型在径流预报中的适用性研究

径流预报对于防洪、发电和生态调度等具有重要意义。以大渡河丹巴以上流域为研究区域,采用黏菌优化算法（SMA）对长短期记忆神经网络（LSTM）的隐藏层输出维度进行优化,构建SMA-LSTM模型对未来10日径流过程进行预报,以探讨深度学习方法对流域径流预报的适用性。基于2012—2017年的日降雨量和日流量资料,构建了预见期为10天的逐日径流SMA-LSTM预报模型,以2018—2019年的资料进行模型验证;采用最大1日径流量相对误差和10日总径流量相对误差作为SMA-LSTM模型精度的评价指标,并与未优化的LSTM模型和新安江模型结果进行对比。结果表明：SMA-LSTM模型具有较高的模拟和预报精度,无论是在率定期还是验证期,两种指标均控制在±10%以内,且两种指标的绝对值平均都不超过7%;整体而言,SMA-LSTM模型精度更高,预报的径流过程与实测过程更为贴近。研究成果可供流域径流预报实际工作参考。     

遗传算法改进的BP神经网络在混沌径流时间序列预测中的应用

区别于传统的提取混沌时间序列饱和嵌入维数的方法,本文利用人工神经网络成功地对水库混沌径流时间序列的饱和嵌入维数进行了提取,计算了该时间序列里的最大Lyapunov指数,两种方法结果都证明了该时间序列的混沌性。并用遗传算法对BP神经网络进行了改进,利用该模型对三门峡水库混沌径流时间序列进行了预测。实例计算表明该方法解决了BP神经网络收敛速度慢和易于陷入极小值的问题,大大提高了BP神经网络的计算精度和收敛速度。无论在计算精度上还是在收敛次数上都优于没有改进的BP神经网络。     

概化的Tank模型及其在龙羊峡水库汛期旬平均入库流量预报中的应用

Tank模型（又称为水箱模型），是一种用于流域径流预报的确定性水文模型，根据龙羊峡水库入库主要产流区－－黄河上游唐乃亥水文站以上流域下垫面条件下产汇流特性，将其概化为以降雨量为输入，径流量为输出的单孔出流的线性水箱，工用于该水库汛期旬平均入库流量的预报，经对历史资料进行拟合和试验预报的 结果表明，该模型具有较高的预报精度，现已应用于黄河上游龙羊峡水库汛期旬平均入库来水量的中期预报中，取得了十分显著的经济效益。     

河西地区融雪径流的灰色预测方法

地河西地区主要河流３－６月径充特征的研究，以灰色系统理论为依据的ＧＭ（１，１）和ＧＭ（０，Ｎ）两种预测模式，分别应用于祁连山河西地区融雪径流的中长期预测，为基层生产部门的用水决策提供科学依据，并在实际应用中取得了良好的效果。     

水库群供调水系统实时调度研究

以大连市复杂水库群供、调水系统为背景,在对系统特性分析的基础上,提出了系统实时调度框架及二层耦合结构模式,设计了以"总量控制、耦合嵌套、多维决策、滚动修正"为核心的实时调度流程。在径流预报方面,提出了基于超越概率的水库群供、调水系统长期入库径流预报方法,结合中期GFS(Global Forecasting System)数值预报技术对不同时段入库径流进行滚动预报。在调度模型方面,采用基于动态规划的建模求解新方法和常规调度方法,为调度决策提供参考。实例研究表明,建立的实时调度系统实现了滚动预报和滚动调度,具备了实时性;实现了宏观总控与局部调整相结合的调度目标,具备了调度决策不同时间尺度耦合嵌套特性,证明了系统的适用性。研究成果对于同类系统实时调度具有重要参考价值。     

嫩江流域径流的可预报性及其时间尺度分析

本文在阐述径流过程主要影响因素和表现特征基础上,采用混沌理论,对于嫩江流域月径流过程系统进行了延滞时间、嵌入纬度、关联维数等计算,进而进行相空间重构,计算出其最大Lyapunov指数为0.13,说明该系统具有混沌特征.初步得出如下结论:①嫩江流域中长期径流预报的预见期为7～8个月;②"数据驱动模型"对于中长期径流预报更有其方法的适用性;③中长期径流预报计算时段应以月为单位.     

The application of artificial neural networks to simulate meltwater runoff of Keqikaer Glacier,south slope of Mt. Tuomuer,western China

Because glacial melting provides a significant amount of surface water resources, especially in cold arid regions, it is critical that effective methods be developed for predicting their behavior. Glacier runoff differs from other types of stream flows, being characterized by large diurnal fluctuations, with maximum discharge during the summer months. Moreover, the size and remoteness of glaciers makes them difficult to study directly. Hence, developing effective modeling techniques is our best hope for understanding and predicting glacial melting phenomena. In the past, physics-based models have been used with some success. In this study, conducted in 2003 and 2004 on the Keqikaer Glacier on the south slope of Mt. Tuomuer, however, we used the newer artificial neural networks (ANNs) modeling technique. As the input nerve cell, we used the hourly wind speed, precipitation, air temperature, radiation balance, and ground temperature; the output nerve cell was the diurnal runoff at the glacial terminus. We then analyzed the simulated results under different scenarios by varying the input-nerve-cell parameters. It was found that ANN can simulate the process of glacier meltwater runoff successfully when basic parameters such as air temperature, precipitation and radiation balance are few. The results indicate that ANN can simulate the process of glacial meltwater runoff quite well, and that meteorological variables could in fact be used successfully to simulate glacier meltwater runoff using the ANN method.     

矿井煤层底板突水预测新方法研究

本文针对煤矿矿井煤层底板突水系统为一非线性系统的特性,提出采用对非线性问题具有良好适用性的人工神经网络系统（以下简称神经网络）,进行煤层底板突水预测。以作者们研制,使用神经网络的实践为基础,阐述系统、建模方法、适用条件和应用问题,并在焦作矿务局演马庄矿、焦作金科尔集团方庄煤矿对所建立的煤层底板突水预测神经网络进行生产性检验,取得良好的结果,说明该系统应用于煤层底板突水预测的可靠性。     

基于参数优化的集对分析月径流预测

采用集对分析法进行月径流预报时,针对级别划分较多时不易确定差异度分量系数的问题,建立了基于SCEM-UA算法优化该系数的月径流预报方法.研究实例表明,本方法能够有效区分集对间不同差异度的影响,优化所得的差异度分量系数是有效的、合理的,能够提高月径流预报精度并发布概率预报.此外,分析表明集对分析预报中的参数不确定性在模型不确定性中占主导地位.